楊君艷，孫瑞志，※，靳晨鵬，尹寶全

（1. 中國農業(yè)大學信息與電氣工程學院，北京 100083；2. 中國農業(yè)大學煙臺研究院，山東 煙臺 264670）

0 引言

改革開放以來，我國雞蛋產量不斷上升，1985年超越美國，位居世界第一，并持續(xù)至今。目前我國蛋雞產業(yè)經歷了快速增長期，正處于加速轉型高質量發(fā)展的關鍵期，提升蛋雞健康水平是關鍵。

禽類腸道性疾病發(fā)病率高、檢測困難，蛋雞的腸道健康水平嚴重影響著其生產性能和雞蛋的品質，蛋雞的腸道疾病多發(fā)于60～120 日齡之間。目前家禽疾病的初步診斷主要依靠獸醫(yī)對雞的姿態(tài)、雞冠、糞便、聲音的觀察來實現(xiàn)。人工觀察需要大量的人員定期檢查雞舍，并且家禽疾病診斷的速度和精度主要取決于飼養(yǎng)者的經驗和知識，整個過程耗時耗力，甚至無法及時發(fā)現(xiàn)雞群的疾病。患腸道疾病的禽類的病理糞便在顏色、形狀和質地上有所不同，主要分為稀便、綠便和血便［1-2］。其中稀便可能是雛雞白痢、痛風、腎型傳支或傳染性法氏囊病的癥狀；綠便可能是新城疫、流感或細菌性疾病的癥狀；血便可能是盲腸球蟲病、壞死性腸炎或腸毒綜合癥的癥狀。糞便檢查是檢測消化道異常的有效方式。

隨著畜禽業(yè)的發(fā)展，畜禽養(yǎng)殖規(guī)模逐步擴大，為了防止畜禽疾病加重和擴散傳播導致更大的經濟損失，集約化的養(yǎng)殖方式更加注重疾病的早期預防和及時發(fā)現(xiàn)。為了實現(xiàn)畜禽養(yǎng)殖的可持續(xù)化發(fā)展，近幾年大量的學者利用計算機技術，采用不同的方法診斷疾病。目前，基于計算機技術對家禽疾病智能診斷方法主要集中于聲紋特征、姿態(tài)特征、雞冠特征和糞便特征的提取上。

對于聲紋的研究，曹晏飛等［3］運用LabVIEW軟件提取蛋雞叫聲和環(huán)控系統(tǒng)噪聲的功率譜密度，把子帶功率比作為特征向量，應用決策樹算法實現(xiàn)對蛋雞的鳴唱聲、產蛋聲和環(huán)控系統(tǒng)噪聲的分類。Sadeghi 等［4］采集感染產氣莢膜梭菌的病雞的叫聲，提出使用Fisher判別法選擇特征，將34個聲音樣本數(shù)據(jù)輸入單隱層神經網絡結構對信號進行檢測，并對健康和不健康的雞進行分類。測試發(fā)現(xiàn)，對發(fā)病后2 d和發(fā)病后5 d的雞的識別精度分別是66.6%和100%?；谠诖笠?guī)?；\養(yǎng)的情況下，識別蛋雞聲音的方法無法實現(xiàn)精準的疾病預警，杜曉東等［5］利用2D-Gabor濾波器提取蛋雞聲音的聲譜圖紋理特征，采用人工神經網絡對雞的產蛋叫聲、應激叫聲、鳴叫聲進行識別。張鐵民等［6］為了有效防止禽流感擴散，將環(huán)境中的聲音進行去除，經過T-S神經網絡訓練，提取出家禽音頻，然后使用模糊神經網絡對雞叫的音頻特征進行分析。該研究可以有效的對雞的聲音進行分析，為大規(guī)模養(yǎng)殖戶提供了非接觸式的禽流感監(jiān)測方法。

針對基于聲紋特征的方法無法應用在集約化養(yǎng)殖場景中的狀況，莊曉玲等［7］通過采集肉雞姿態(tài)圖像，提取健康雞和患病雞的姿態(tài)特征，然后進行分類，該方法對測試樣本的準確率達到99.4%。同時通過改進目標檢測模型，實現(xiàn)了患病肉雞實時識別預警。Luyl-Da等［8］使用VGG和ResNet網絡，根據(jù)雞只的姿態(tài)特征，對患有禽痘、傳染性喉氣管炎的病雞進行分類，準確率僅達到75%，識別準確率有待提升。Akomolafe等［9］對患有新城疫和禽流感的病雞進行姿態(tài)特征提取，通過數(shù)字成像技術和機器學習算法提升了模型的準確率和泛化能力。目前，通過姿態(tài)判斷的疾病種類較少，且無法解決籠養(yǎng)情況下的雞重疊問題。

針對常見的雞痘病的檢測，Hemalatha 等［10］利用中值濾波法對雞冠照片去噪，采用灰度共生矩陣提取雞冠的紋理特征，計算雞冠的均值、標準差，應用支持向量機和極限學習機方法實現(xiàn)對患雞痘病雞的實時識別。李亞碩等［11］針對雞舍較暗的場景，對圖像進行了Otsu分割，使用SVM分類器自動檢測病雞，該方法考慮了雞舍光照的實際情況。由于目前集約化養(yǎng)殖中大量使用層疊式的雞籠，拍攝的照片中存在雞冠重疊的情況，因此該方法難以實際應用到雞舍。

針對基于聲紋特征和基于姿態(tài)特征的方法無法應用到集約化養(yǎng)殖場景的缺陷，王錦濤等［12］采集制作了肉雞糞便數(shù)據(jù)集，將糞便分類為正常、形狀異常、顏色異常、水分異常和形狀水分異常5類，使用改進后的YOLO-V3神經網絡，實現(xiàn)了雞病的分類。然而該方法在測試集上的準確率僅有84.3%。Hope等［13］使用監(jiān)督學習算法，根據(jù)具體雞病的病理糞便預測了球蟲病和沙門氏菌病兩個疾病類別，訓練的模型達到了94%的準確度。該實驗主要針對肉雞的疾病進行分類，實現(xiàn)的疾病分類種類較少，模型精度較低。朱俊輝等［14］提出了一種基于機器視覺在線監(jiān)測的雞糞圖像識別方法，對雞的健康狀況進行初步判斷。該方法首先對在線采集的雞糞圖像進行預處理，通過顏色提取算法、檢測和提取異常區(qū)域輪廓、計算面積比、與預先設置的閾值進行比較的步驟，對異常雞糞進行初步判斷；然后采用模塊匹配算法，對樣本與待測圖像的灰度特征進行分析比較，進一步判斷雞糞是否正常。

綜上所述，在過去的研究中，對于家禽聲紋、姿態(tài)、雞冠特征的研究集中于異常病雞的篩選研究上，難以實現(xiàn)多種疾病的分類識別，且無法應用在密集的籠養(yǎng)環(huán)境中?；陔u糞便特征開展腸道疾病智能化診斷的研究，近幾年開始受到關注?，F(xiàn)有的通過雞的病理糞便進行疾病分類的研究中，存在分類準確率低、疾病分類種類較少、使用傳統(tǒng)機器學習方法進行實驗的現(xiàn)狀。文章自建了蛋雞糞便數(shù)據(jù)集，利用計算機深度學習技術構建了一個基于多尺度卷積的蛋雞腸道疾病識別網絡VGG-MSC，實現(xiàn)了對雞腸道疾病的智能診斷。根據(jù)患腸道疾病蛋雞的糞便特征，對異常病雞進行篩選，并根據(jù)疾病進行分類。有利于及早發(fā)現(xiàn)并預防蛋雞患病狀況，推動蛋雞產業(yè)持續(xù)健康高質量發(fā)展。

1 數(shù)據(jù)采集與預處理

1.1 圖像采集

該文在多位專業(yè)獸醫(yī)的指導下，將蛋雞的糞便按照顏色及稀釋程度分為4類，分別是正常糞便、稀便、綠便、血便。采集的原始圖像如圖1所示。其中稀便可能是飼料含鹽量太高，雞大量飲水導致，也可能是外界溫度過高導致；綠便可能是雞霍亂或者炎癥導致；血便是雞患有盲腸球蟲病或者腸毒綜合癥等的表現(xiàn)。實驗根據(jù)不同的病理糞便，對蛋雞的腸道疾病進行初步診斷。目前尚未有公開的畜禽糞便數(shù)據(jù)集，數(shù)據(jù)集的質量對于深度學習方法的精度具有關鍵性影響。通過實地考察發(fā)現(xiàn)雞籠正下方的糞便遮擋嚴重，并且拍照容易引起雞的應激反應。為了采集到清晰未遮擋的糞便照片，該文在層疊式H型雞籠下的糞便傳送帶的末端，使用手持IQOO7方法采集蛋雞糞便照片，制作用于蛋雞腸道疾病識別的數(shù)據(jù)集，采集位置和傳送帶控制系統(tǒng)如圖2所示。

圖1 采集原始圖像Fig.1 Acquire raw images

圖2 圖像采集位置和傳送帶系統(tǒng)Fig.2 Image acquisition location and conveyor system

圖像采集地點為安徽省宿州市某生態(tài)農場，該雞舍中養(yǎng)殖的是60～120 日齡的產蛋雞。由于實際養(yǎng)殖過程中，產生的糞便過多時會出現(xiàn)糞便層疊現(xiàn)象，所以數(shù)據(jù)采集時間選取在清糞后的半小時。通過養(yǎng)雞場的自動化清糞系統(tǒng)轉動傳送帶，使用IQOO7拍攝數(shù)據(jù)圖片，其主攝為索尼IMX598 傳感器，分辨率為4000×2252 像素，共采集了2 412 張蛋雞糞便圖像。

1.2 數(shù)據(jù)預處理

1.2.1 圖像尺寸調整

由于采集的圖像的尺寸過大，直接輸入卷積神經網絡中進行訓練會造成過大的計算量，并需要性能很強的硬件設備，且訓練時間過長，無法較好的分析網絡的性能。輸入過大尺寸的圖像，模型會學習到更多的冗余特征，不能較好的反應圖像的抽象特征。為了尋求最優(yōu)的輸入特征尺寸，已經有很多學者在大量的對比實驗中發(fā)現(xiàn)，采用224×224作為輸入圖像分辨率時，網絡的性能最優(yōu)。若將4000×2252像素的圖像直接縮小為224×224 像素會導致圖像發(fā)生變形，從而影響模型的分類效果。因此，為了解決圖像尺寸過大和直接縮放會導致圖像變形的問題，采取裁剪后縮放的策略，即先將待識別的糞便裁剪為正方形，再利用線性插值法將圖像處理為224×224像素的圖像。最終輸入到卷積神經網絡中進行糞便特征提取和分類。具體的流程如圖3所示。

圖3 調整圖像尺寸Fig.3 Adjust image size

1.2.2 數(shù)據(jù)增廣和數(shù)據(jù)平衡

為了進一步提升模型預測的魯棒性，該文對采集的數(shù)據(jù)進行數(shù)據(jù)增強。操作有隨機縮放：將采集到的糞便圖像進行隨機的放大或者縮小。隨機旋轉：對拍攝的圖像進行隨機旋轉，模擬不同角度的拍攝情況。隨機移位：沿橫向或縱向移動圖像，模擬糞便位于圖像的不同位置。添加噪聲：在數(shù)據(jù)集中添加高斯噪聲，讓訓練出的模型有更好的泛化能力。隨機翻轉：對圖像進行水平垂直方向的隨機翻轉。

由于采集的血便和綠便數(shù)據(jù)較少，導致糞便數(shù)據(jù)集具有不均衡性，所以在數(shù)據(jù)預處理階段通過過采樣方法去掉部分正常糞便和稀便的數(shù)據(jù)。過采樣處理后的圖像總數(shù)為1 834幅，實驗將數(shù)據(jù)集按照6∶2∶2的比例劃分為訓練集、驗證集和測試集，數(shù)據(jù)集的具體劃分如表1所示。再將訓練集進行數(shù)據(jù)增強，最終獲得5 128幅圖像。

表1 數(shù)據(jù)集劃分Table1 Division of data

2 研究方法

2.1 基于多尺度神經網絡的識別模型

VGG16的網絡結構如圖4所示，它是由5層卷積層、3層全連接層構成，且每層卷積層間以及卷積層與全連接層間由最大池連接，最后一層是softmax 輸出層。以層為單位，卷積層的特征通道數(shù)由64 開始，依次翻倍，直到512 個通道數(shù)。3 個全連接層的特征通道數(shù)依次是4 096、4 096、1 000。所以VGG16 中每層的特征通道數(shù)依次為64、128、256、512、512、4 096、4 096、1 000。VGG16網絡中，13層卷積層用來特征提取，最后的3層全連接層負責分類任務。

圖4 VGG16的網絡結構Fig.4 Network structural diagram of VGG16

VGG16 具有結構簡潔、容易拓展、遷移性強的優(yōu)點，但其參數(shù)量大、精確度低，為了解決此問題，該文在VGG16 網絡結構的基礎上，進行如下改進，改進后的模型結構圖如圖5 所示。先將VGG16 的全連接層替換為全局平均池化層［15］，降低模型的參數(shù)量，然后引入多尺度卷積并在多尺度卷積層后邊加入壓縮激發(fā)（Squeeze and Excitation，SE）模塊。該文將該模型稱為VGG-MSC 模型。其中多尺度卷積層包含3×3 和5×5 的卷積核，得到包含不同圖像信息的特征圖。由于卷積過程中采用補零操作，所以這些特征圖尺寸一樣，將這些特征圖進行融合，得到更多圖像信息。VGG-MSC 網絡結構如圖6所示。

圖5 VGG-MSC的網絡結構Fig.5 Network structural diagram of VGG-MSC

圖6 VGG-MSC網絡結構Fig.6 Network structure of VGG-MSC

全局平均池化層的作用：為最后一個最大池層中的分類任務的每個對應類別生成一個特征映射，取每個特征圖的平均值，得到的向量直接被饋送到softmax層。全局平均池有兩個優(yōu)點，一是它通過加強特征映射和類別之間的通信更適合卷積結構，這樣特征映射可以很容易地解釋為類別置信映射。二是在全局平均池中沒有參數(shù)要優(yōu)化，因此在這一層可避免過擬合。此外，全局平均池對空間信息進行了匯總，因此對輸入的空間轉換具有更強的魯棒性。

SE模塊主要是為了加入通道注意力機制，模仿人在觀察事物時的注意力特征，對圖像中的特征進行加權，讓分類器更好的注意到關鍵位置并進行分類。

SE 模塊主要包含壓縮（Squeeze）和激勵（Excitation）兩部分［16］。假設輸入特征圖的大小為W×H×C，其中W、H表示特征圖的寬和高，C表示通道數(shù)。壓縮就是使用全局平均池化將特征圖變?yōu)?×1×C的向量。激勵就是利用全連接層對向量中的不同通道進行加權，加權之后的向量仍然為1×1×C，然后對原來的特征圖進行Scale操作，這樣操作之后得到輸出結果的特征向量和輸入的特征向量都為W×H×C，如圖7所示。

圖7 SE模塊Fig.7 SE module

SE模塊可以插入在網絡結構的任意位置，但是過多的SE模塊會導致計算量的增大，該文將該模塊分別插入到網絡輸入端、多尺度卷積前、多尺度卷積后和網絡輸出端進行實驗，實驗結果表明，當SE模塊插入到多尺度卷積的后端效果是最好的。通過使用通道注意力機制為信息量多的通道添加更大的權值，讓模型有更好的效果。VGG-MSC網絡中的SE模塊在激勵操作中的兩個激活函數(shù)分別是ReLU和Sigmoid，為了權衡精度和模型尺寸，SERadio取1/16。

2.2 模型訓練

2.2.1 訓練平臺

該文的實驗平臺為AMD Ryzen? 7 4800H CPU，測試軟件環(huán)境為Windows10，分類模型由Python3.8、深度學習框架Tensorflow2.0 和GPU （NVIDIA GeForce RTX 2060）訓練。

2.2.2 訓練參數(shù)

根據(jù)不同超參數(shù)的特點，為保證模型在訓練過程中能夠較好的收斂，該文選取批大小為16、32、64，損失函數(shù)選擇多分類任務中常用的交叉熵損失函數(shù)，優(yōu)化器選擇SGD、RMSProp、Adam，初始學習率選擇0.1、0.001、0.000 1。經過多次對比實驗，選擇最優(yōu)的超參數(shù)設置（表2）。該文實驗將Adam 的初始學習率設置為0.000 1。為了兼顧學習效率和后期學習的穩(wěn)定性，采用學習率分段衰減策略，訓練前1 500個iteration時，學習率為0.000 1；1 500到4 000個iteration 時，學習率為0.000 01；4 000個iteration 后學習率為0.000 001。

表2 參數(shù)設置Table2 Parameter settings

3 結果分析

3.1 評價標準

對于模型的評價采用評價指標準確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1值（F1-score）。其中準確率是被分類正確的樣本數(shù)除以所有樣本數(shù)，精確率也就是查準率，召回率代表模型分類的查全率，F(xiàn)1 值代表模型的綜合性能。準確率、精確率、召回率和F1值的計算公式為。

式（1）（2）（3）中，TPi為正確檢測出第i類的樣本數(shù)（真正）；TNi為正確檢測出非第i類的樣本數(shù)（真負）；FPi為錯誤檢測出第i類的樣本數(shù)（誤檢）；FNi為錯誤檢測出非第i類的樣本數(shù)（漏報）；n為分類總數(shù)。

通過混淆矩陣進行分類器結果表示，如表3所示。

表3 混淆矩陣Table 3 Confusion matrix

為了從空間復雜度和時間復雜度的角度綜合評價網絡結構，該文還考慮了模型的參數(shù)量（Parameters，Params）、浮點運算數(shù)（Floating Point Operations，F(xiàn)LOPs）和模型大?。╩odel size），其中Params代表模型中需要訓練的參數(shù)數(shù)量；FLOPs即模型的計算量，決定模型的訓練時長；模型大小為通過網絡訓練得到的模型文件所占用的物理磁盤空間量。

3.2 實驗結果分析

3.2.1 神經網絡對比實驗

為了識別蛋雞腸道疾病不同的病理糞便，該實驗分別采用了圖像分類常用模型VGG16、ResNet50、Vision Transformer（ViT-B/16）、Swin-Transformer（Swin-T）以及VGG16 的優(yōu)化模型VGG-MSC進行對比實驗。實驗結果如表4所示。

表4 模型實驗結果Table 4 Experimental results of models

由表4 可以看出，VGG-MSC 的準確率、精確率、召回率和F1 值均高于其他的網絡結構，基本各個指標都高于VGG16兩個百分點。隨著網絡越來越復雜，模型的精度先下降后上升，這說明模型的復雜程度要和具體的數(shù)據(jù)集規(guī)模相對應，過于復雜的網絡在較小的數(shù)據(jù)集上并不能取得最好的效果。VGG-MSC較好的平衡了模型復雜程度和數(shù)據(jù)集規(guī)模之間的關系。

評價模型的綜合性能不僅要看準確率，還要從時間復雜度和空間復雜度兩個角度進行考慮。由于模型大小會影響使用場景，所以對比以上網絡的FLOPs、Params 和model size，結果如表5所示。

表5 模型的參數(shù)量和計算量Table 5 The amount of parameters and calculation of models

由表5可以看出，VGG-MSC的FLOPs、model size相對比其他網絡是最小的，F(xiàn)LOPs也較小，再結合VGG-MSC 最高的精度，該模型有效的對蛋雞糞便數(shù)據(jù)集進行了分類，是綜合性能最優(yōu)的模型。

3.2.2 VGG-MSC可視化分析

通過可視化類激活圖（Class Activation Map，CAM）來理解圖像的哪塊區(qū)域使得卷積神經網絡做出了分類決策。將不同通道的激活強度，按照每個通道對某一特定類別的重要性進行加權，然后從輸入圖像中獲得該類別的激活強度。該文運用Grad-CAM方法［17］可視化VGG-MSC 對不同類型糞便的類激活熱力圖，如圖8 所示。由結果可以看出，VGG-MSC模型精確找到了各個類別糞便的位置，并且糞便的邊緣激活強度很大。不同類別糞便的邊緣激活強度不同，所以VGG-MSC模型的分類是正確且可信的。

圖8 類激活熱力Fig.8 Class activation map

4 結論與討論

該文針對蛋雞腸道疾病診斷困難的問題，通過提取雞糞便特征，構建了一種基于多尺度卷積的蛋雞腸道疾病識別VGG-MSC。其參數(shù)量較VGG16 降低了86%，準確率較VGG16提升了1.75%。經實驗驗證，該方法可以有效的對蛋雞的糞便進行分類，及早發(fā)現(xiàn)并預防蛋雞患病狀況，實現(xiàn)對蛋雞腸道疾病的智能診斷。

該文驗證了將深度學習技術應用于蛋雞疾病識別領域的可行性，但仍存在一些不足。

（1）該文構建的蛋雞糞便圖像數(shù)據(jù)集樣本規(guī)模小，未來的工作中，可以繼續(xù)擴大樣本量，增加各種場景下的畜禽糞便圖像，提升模型的魯棒性。

（2）模型應用方面，后續(xù)可以將VGG-MSC 網絡作為目標檢測算法的骨干網絡，將模型嵌入到圖像采集設備中，裝配在糞便傳送帶末端，實現(xiàn)對雞舍疾病的實時監(jiān)測預警，防治疾病擴散。